CN117147166A - 一种发动机标定方法、装置、电子设备及存储介质 - Google Patents
一种发动机标定方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN117147166A CN117147166A CN202311131652.4A CN202311131652A CN117147166A CN 117147166 A CN117147166 A CN 117147166A CN 202311131652 A CN202311131652 A CN 202311131652A CN 117147166 A CN117147166 A CN 117147166A
- Authority
- CN
- China
- Prior art keywords
- data
- working condition
- engine
- transient
- steady
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 81
- 230000001052 transient effect Effects 0.000 claims abstract description 85
- 238000001228 spectrum Methods 0.000 claims description 89
- 238000012360 testing method Methods 0.000 claims description 73
- 238000012545 processing Methods 0.000 claims description 22
- 230000001133 acceleration Effects 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 16
- 238000004088 simulation Methods 0.000 claims description 15
- 238000005457 optimization Methods 0.000 claims description 13
- 238000010276 construction Methods 0.000 claims description 10
- 238000007689 inspection Methods 0.000 claims description 9
- 238000013433 optimization analysis Methods 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 7
- 239000003921 oil Substances 0.000 description 22
- 238000004364 calculation method Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000001186 cumulative effect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 239000000446 fuel Substances 0.000 description 5
- 239000012634 fragment Substances 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000013524 data verification Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 239000000243 solution Substances 0.000 description 3
- 230000007704 transition Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000012067 mathematical method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012847 principal component analysis method Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- XSQUKJJJFZCRTK-UHFFFAOYSA-N Urea Chemical compound NC(N)=O XSQUKJJJFZCRTK-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000004202 carbamide Substances 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000010705 motor oil Substances 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000001172 regenerating effect Effects 0.000 description 1
- 230000008929 regeneration Effects 0.000 description 1
- 238000011069 regeneration method Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M15/00—Testing of engines
- G01M15/02—Details or accessories of testing apparatus
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M15/00—Testing of engines
- G01M15/04—Testing internal-combustion engines
- G01M15/05—Testing internal-combustion engines by combined monitoring of two or more different engine parameters
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
Abstract
本发明公开了一种发动机标定方法、装置、电子设备及存储介质。包括:采集车辆的行驶数据,对行驶数据进行场景划分,得到多个场景分别对应的行驶数据;对于目标场景的行驶数据,基于目标场景的行驶数据确定构建目标场景下的瞬态工况和稳态工况;基于瞬态工况和稳态工况对发动机进行标定。本方案提出通过对车辆的实际行驶数据进行场景划分,获取不同场景的行驶数据,再确定构建不同场景的瞬态工况和稳态工况,基于上述工况完成对发动机标定的功能的方法,解决了无法针对性地对发动机进行标定的问题,避免了对所有的行驶数据进行处理后完成对发动机的标定工作,可以实现高效、精准的发动机数据标定,减少数据标定周期,提高了对发动机标定的效率。
Description
技术领域
本发明涉及发动机标定技术领域,尤其涉及一种发动机标定方法、装置、电子设备及存储介质。
背景技术
发动机标定是发动机开发中很重要的一个环节,发动机标定直接决定了发动机的油耗、排放、动力性能等重要参数。
对于发动机标定,常采用的方式是通过扫点,即对发动机进行万有特性试验来确定或者优化发动机标定数据,对车辆在实际行驶中可能出现的运行工况进行标定。
基于上述的现有技术方案,对发动机进行标定虽然可以完成对发动机的标定,但是存在不能针对性地对发动机进行标定,需要耗费大量的人力、物力、时间和精力等不足。
发明内容
本发明提供了一种发动机标定方法、装置、电子设备及存储介质,以解决现有发动机标定技术中无法针对性地对发动机进行标定以及标定效率差的问题。
根据本发明的一方面,提供了一种发动机标定方法,包括:
采集车辆的行驶数据,对行驶数据进行场景划分,得到多个场景分别对应的行驶数据;
对于目标场景的行驶数据,基于目标场景的行驶数据确定构建目标场景下的瞬态工况和稳态工况;
基于瞬态工况和稳态工况对发动机进行标定。
可选的,对行驶数据进行场景划分,包括:
根据车辆的行驶数据确定车辆在行驶过程中的档位、载重和坡度;
基于车辆的车型以及车辆在行驶过程中的档位、载重和坡度和每一场景的划分范围,确定行驶数据对应的场景。
可选的,在基于目标场景的行驶数据确定构建目标场景下的瞬态工况和稳态工况之前,还包括:
剔除行驶数据中的无效数据,其中,无效数据包括超出各类型行驶数据的取值范围的数据,位于数据范围边缘的预设比例的数据。
可选的,基于目标场景的行驶数据确定构建目标场景下的瞬态工况和稳态工况,包括:
提取目标场景的行驶数据的特征路谱数据,特征路谱数据形成瞬态工况;
剔除目标场景的行驶数据中的不合格数据,提取稳态特征点数据,对稳态特征点数据进行聚类处理,得到聚类结果,基于聚类结果形成稳态工况;其中,不合格数据包括扭矩负值点数据、不符合加速度阈值的数据。
可选的,在基于目标场景的行驶数据确定构建目标场景下的瞬态工况和稳态工况之后,还包括:
对瞬态工况和稳态工况进行校验,其中,
对瞬态工况的校验包括:将实际转速扭矩工况分布与瞬态工况分布对比、将实际路谱参数与特征路谱参数进行对比,其中,实际路谱参数与特征路谱参数包括:平均车速、转速、扭矩、挡位;计算各参数之间偏差,若偏差小于第一预设偏差阈值,则确定瞬态工况合格;
对稳态工况的校验包括:基于特征点数据的权重数据对油耗进行加权处理得到油耗加权结果,分别与实际路谱平均百公里油耗、BSFC油耗结果计算偏差,若偏差满足第二预设偏差阈值,则确定稳态工况合格。
可选的,基于瞬态工况和稳态工况对发动机进行标定,包括:
基于瞬态工况、稳态工况和待优化数据进行台架复现试验,生成试验数据;
基于试验数据进行数据检查,得到目标试验数据;
基于目标试验数据进行数据优化分析处理。
可选的,基于目标试验数据进行数据优化分析处理,包括:
计算目标试验数据与特征路谱数据的偏差,基于偏差确定特征路谱数据的可信度;
基于目标试验数据搭建发动机仿真模型,通过发动机仿真模型进行数据优化,得到优化数据;
基于优化数据进行整车测试,验证优化数据的可靠性。
根据本发明的另一方面,提供了一种发动机标定装置,包括:
数据获取模块,用于采集车辆的行驶数据,对行驶数据进行场景划分,得到多个场景分别对应的行驶数据;
工况构建模块,用于对于目标场景的行驶数据,基于目标场景的行驶数据确定构建目标场景下的瞬态工况和稳态工况;
发动机标定模块,用于基于瞬态工况和稳态工况对发动机进行标定。
根据本发明的另一方面,提供了一种电子设备,电子设备包括:
至少一个处理器;以及
与至少一个处理器通信连接的存储器;其中,
存储器存储有可被至少一个处理器执行的计算机程序,计算机程序被至少一个处理器执行,以使至少一个处理器能够执行权利要求1-7中任一项的发动机标定方法。
根据本发明的另一方面,提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机指令,计算机指令用于使处理器执行时实现权利要求1-7中任一项的发动机标定方法。
本发明实施例的技术方案,通过对车辆的实际行驶数据进行场景划分,获取不同场景的行驶数据,再确定构建不同场景的瞬态工况和稳态工况,基于上述工况完成对发动机标定的功能,解决了无法针对性地对发动机进行标定的问题,避免了对所有的行驶数据进行处理后完成对发动机的标定工作,可以实现高效、精准的发动机数据标定,减少数据标定周期,提高了对发动机标定的效率,提高了对发动机标定的效率。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例一提供的一种发动机标定方法的流程图;
图2是本发明实施例二提供的一种发动机标定方法的流程图;
图3是本发明实施例三提供的一种发动机标定装置的结构示意图;
图4是实现本发明实施例的发动机标定方法的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1是本发明实施例一提供的一种发动机标定方法的流程图,本实施例可适用于需要进行发动机标定的情况,该方法可以由发动机标定装置来执行,该发动机标定装置可以采用硬件和/或软件的形式实现,该发动机标定装置可配置于计算机、试验台架等电子设备中。如图1所示,该方法包括:
S110、采集车辆的行驶数据,对行驶数据进行场景划分,得到多个场景分别对应的行驶数据。
其中,行驶数据具体可以理解为是车辆实际行驶过程中的数据,可以通过车载的数据采集设备进行采集,示例性的,使用国六车辆标配的车载T-BOX(Telematics BOX,远程信息处理器)数据采集设备采集数据。行驶数据包含但不限于车速、转速、扭矩、大气压力、油门开度、刹车数据、离合数据、GPS信号等。场景划分具体可以理解为是根据行驶数据中车辆的参数的不同而分别设置的场景,可以根据包含但不限于车辆车型、工况、载重、坡度等参数进行划分,这些参数可以根据实际需求进行自行设定。
具体的,使用国六车辆标配的车载T-BOX数据采集车辆的车速、转速、扭矩、大气压力、油门开度、刹车数据、离合数据、GPS信号等行驶数据,无需额外安装设备,结合车辆本身的发动机、车辆型号对机型所运行的实际路况情况进行详细记录,保存在车联网数据平台上。基于行驶数据中的车辆的相关参数进行场景划分,可以根据车辆型号、行驶工况、载重、坡度等数据进行场景划分,在场景划分完成之后,可以获取不同场景下对应的车辆的行驶数据,即可以根据需求场景获取对应的行驶数据。
对行驶数据进行场景划分的方法,可选的,根据车辆的行驶数据确定车辆在行驶过程中的档位、载重和坡度;基于车辆的车型以及车辆在行驶过程中的档位、载重和坡度和每一场景的划分范围,确定行驶数据对应的场景。
具体的,可以通过车速、转速比完成挡位分析,确定当前车辆的挡位信息;可以根据速度数据对时间进行差分计算得到加速度数据;可以根据大气压力结果进行分析得到海拔数据;还可以根据车辆动力学方程确定车重数据。根据车辆型号、区域、转速、扭矩、车速等信息计算挡位、车重、坡度等信息,将车辆根据车型分为轻型车、重型车,根据工况分为市区、郊区、高速、港口等车辆;根据载重分为空载、半载、满载车辆,根据坡度及海拔分为山区、平原、高原车辆,如此将行驶数据分为多个场景。
S120、对于目标场景的行驶数据,基于目标场景的行驶数据确定构建目标场景下的瞬态工况和稳态工况。
其中,目标场景具体可以理解为是根据需要从场景划分结果中选定的场景,以便获取需要的场景的行驶数据并用于发动机标定工作。瞬态工况具体可以理解为是车辆车速在一定时间内连续变化的行驶工况;稳态工况具体可以理解为是车辆车速在一定时间内保持不变的行驶工况;上述两种工况可以通过提取车辆的行驶数据的特征数据进行模拟,或者通过预设值的数学模型构建所需的瞬态工况和稳态工况,还可以通过Matlab软件根据获取的行驶数据进行瞬态工况和稳态工况构建。需要说明的是,不同车型实际运行情况存在差异,因此需要确定符合实际行驶路况的瞬态工况和稳态工况才可以高效地完成发动机标定。
具体的,根据选中的目标场景,例如轻型车、平原、市区的场景,依据选取的目标场景从车辆的行驶数据中获取该场景下对应的行驶数据。对于目标场景下的行驶数据进行特征路谱提取处理,运用Matlab软件进行工况构建,Matlab程序包括:主程序、GUI界面、滤波程序、挡位计算程序、画分布图程序等。
可选的,在基于目标场景的行驶数据确定构建目标场景下的瞬态工况和稳态工况之前,还包括:剔除行驶数据中的无效数据,其中,无效数据包括超出各类型行驶数据的取值范围的数据,位于数据范围边缘的预设比例的数据。
需要说明的是,由于数据采集设备获取的数据可能同时来源于发动机CAN输出及外接传感器,不同设备之间存在不同步的问题,需要从采集车辆的行驶数据中剔除掉无效的数据。
其中,行驶数据的取值范围具体可以理解为是行驶数据中的参数取值范围,可以根据实际需求预先设置取值范围阈值,不满足取值范围阈值的数据可以剔除掉;还可以预先设置数据范围边缘的预设比例,即可以将数据进行升序或者降序排列,剔除位于排列结果两端的数据,可以设置预设比例,将位于预设比例内的数据剔除掉。
具体的,根据实际数据需求可以预先设置取值范围阈值,将各类型行驶数据与设置的对应的取值范围阈值进行比较,将不满足取值范围阈值的数据剔除掉,还可以是设置与预设比例阈值的方法剔除掉不符合需求的数据,示例性地,将获取的行驶数据进行降序排列,设置预设比例为2%,则低数值端应该删除的数据占行驶数据的2%,相同地,高数值端应该删除的数据占行驶数据的2%。
S130、基于瞬态工况和稳态工况对发动机进行标定。
其中,对发动机进行标定具体可以理解为是对发动机数据进行优化、得到可靠性强的指标的过程。
具体的,可以将瞬态工况和稳态工况作为输入参数导入至台架程控中进行台架复现试验,通过基于瞬态工况试验和稳态工况试验进行发动机的数据标定优化,得到符合当前场景下的标定数据。
示例性的,通过精确性强、重复性高的台架试验、整车转毂试验,以构建工况为衡量标准,对整车、发动机进行数据标定优化。或者将构建的工况作为仿真计算模型的路谱输入,通过仿真优化整车、发动机的设计。
本实施例的技术方案,通过对车辆的实际行驶数据进行场景划分,获取不同场景的行驶数据,再确定构建不同场景的瞬态工况和稳态工况,基于上述工况完成对发动机标定的功能,解决了无法针对性地对发动机进行标定的问题,避免了对所有的行驶数据进行处理后完成对发动机的标定工作,可以实现高效、精准的发动机数据标定,减少数据标定周期,提高了对发动机标定的效率,提高了对发动机标定的效率。
实施例二
图2是本发明实施例二提供的一种发动机标定方法的流程图,本实施例是上述实施例的方法的进一步优化,可选的,对于目标场景的行驶数据,提取目标场景的行驶数据的特征路谱数据,特征路谱数据形成瞬态工况;剔除目标场景的行驶数据中的不合格数据,提取稳态特征点数据,对稳态特征点数据进行聚类处理,得到聚类结果,基于聚类结果形成稳态工况;对瞬态工况和稳态工况进行校验;基于瞬态工况、稳态工况和待优化数据进行台架复现试验,生成试验数据;基于试验数据进行数据检查,得到目标试验数据;基于目标试验数据进行数据优化分析处理;如图2所示,该方法包括:
S210、采集车辆的行驶数据,对行驶数据进行场景划分,得到多个场景分别对应的行驶数据。
S220、对于目标场景的行驶数据,提取目标场景的行驶数据的特征路谱数据,特征路谱数据形成瞬态工况。
其中,特征路谱数据具体可以理解为是由行驶数据的特征值构成的数据,可以通过一些数学方法对行驶数据进行数据处理,对预处理后的数据采用特征值聚类挑选实际路谱数据或概率分布法生成与实际路谱数据相似的特征路谱,这些数学方法包含但不限于数据对齐方法、短行程划分法、主成分分析法、隶属度与类别权重因子构建的聚类算法等,该特征路谱数据包含但不限于转速数据、扭矩数据等。
具体的,读取目标场景的行驶数据,对行驶数据根据数据特性通过极值位置、回归分析等方法进行数据对齐,删除对齐后的数据中的错误数据、无效数据;这些异常数据主要包含但不限于扭矩为空值或者零的数据、油耗数据、发动机未启动数据等;在行驶数据预处理后得到有效数据,对有效数据采用特征值聚类挑选实际路谱数据作为特征路谱数据或采用概率分布法生成与实际路谱数据相似的特征路谱数据,由所得特征路谱数据组合形成瞬态工况。
对于采用特征值聚类挑选路谱数据,使用短行程划分方法将路谱划分为多个短行程片段,按照车速从0开始加速到车速回到0的过程称为一个短行程,在将有效数据分解为短行程片段的时候,由于实际路谱数据中的车速可能在0附件波动,导致出现小的短行程或多个明显片段未分开的情况,因此实际划分过程中常按照车速从1km/h开始加速到车速返回到1km/h的过程作为一个短行程片段,并计算片段时间长度,删除时间长度小于预设时间阈值的片段,例如,预设时间阈值设置为20s;根据实际需要设置特征值,例如:可以在可视化界面上设定需要的特征值内容,根据特征值计算方法计算各短行程片段中对应的特征值结果,常用的特征值包括但不限于平均车速、车速区间、加速度、挡位、平均转速、平均扭矩等,其中,计算方法可以是预先设置的特征值计算程序;将计算得到的各短行程的特征值结果进行标准化处理,将所有与特征值数据列分别转化为平均值为0,标准差为1的数据,计算公式如下:
其中,xn为计算的特征值数据,μ为该项特征值数据的平均值,σ为该项特征值数据的标准差。
对标准化后的特征数据进行主成分分析法,用于简化特征值维度,可以通过正交变换法,将特征值矩阵转换为一组线性不相关的变量,假设有p个随机变量,记为X1,X2,......,XP,主成分分析就是把这p个变量的问题,转变为讨论p个指标的线性组合的问题,而这些新的指标F1,F2,......,FP,如下式所示。
F1=μ11X1+μ21X2+……+μp1 Xp
F2=μ12X1+μ22X2+……+μp2Xp
……
Fp=μ1p X1+μ2p X2+……+μpp Xp
依据上述方程组计算各主成分F1,F2,......,Fk(k≤p),通过计算主成分的累计贡献率选择主成分个数,在一些实施例中,主成分个数取决于能够反映原来变量n%以上的信息量为依据,其中,n%数值可以由研究人员自行设定,例如,可以设置为90%,即当累积贡献率≥90%时的主成分的个数就足够了。这样,我们就通过主成分法把大矩阵数据库转化为小矩阵数据库,便于后续聚类分析。其中,累积贡献率(ccn)是指用前k个主成分的方差和在全部方差中所占比重,它反映前k个主成分共有多大的综合能力。累积贡献率(ccn)计算公式如下:
根据上述公式计算的到主成分的累计贡献率,取出前N项主成分用于聚类计算,示例性的,N可以设置为5。基于隶属度、类别权重因子等方法构建聚类算法,将所有短行程片段划分为3-7类片段,每一类片段具有相似的特征值,通过欧式距离法选取初始聚类点,计算每一个短行程片段特征值对该点的隶属度,通过隶属度计算中间点位置并更新聚类中心,由此迭代至聚类中心稳定,可以通过优化距离算法、初始值、收敛准则等优化模糊聚类的精度。通过特征值法从各类短行程片段中选取合适的片段后,再根据平均车速或者其他参数将路谱数据进行排序,按照目标时间长度***怠速片段,完成路谱数据填充,使得路谱数据时长与怠速片段时长的和满足目标时间长度,其中,目标时间长度可以根据实际需要自行设定,例如,设置目标时间长度为1800s;需要说明的是,在进行短行程片段划分的时候,需要计算出怠速比例预留怠速片段时长。将得到的完整的路谱数据作为瞬时工况。
对于采用概率分布法获取特征路谱数据,将实际路谱数据中的工况点进行离散化,例如源数据为连续的转速、扭矩,将转速取近似为间隔10rpm的数据点,扭矩取近似为间隔5Nm的数据点,然后根据离散化的实际路谱数据统计各工况转移到下一个工况的概率分布情况,用于确定下一工况的概率取值,根据概率转移矩阵依此计算,从怠速数据点出发,生成目标长度的特征路谱和路谱总体工况转移概率分布,将路谱总体工况转移概率分布与实际路谱工况概率分布一致,则导出当前的特征路谱数据,反之,则进行重新生成特征路谱数据,进而形成瞬态工况。
需要说明的是,采用特征值聚类挑选路谱数据和采用采用概率分布法获取特征路谱数据生成方法可以进行灵活选择,可以由研究员根据数据特性进行灵活选取。
S230、剔除目标场景的行驶数据中的不合格数据,提取稳态特征点数据,对稳态特征点数据进行聚类处理,得到聚类结果,基于聚类结果形成稳态工况;
其中,不合格数据包括扭矩负值点数据、不符合加速度阈值的数据;加速度阈值包括正加速度阈值和负加速度阈值,加速度阈值可以根据数据特性进行自行设置。
具体的,由于发动机扭矩处于赋值的状态下,发动机并不喷油,在构建稳态工况的情况下,剔除掉扭矩负值点,另外,对于行驶数据中的加速、减速工况进行不合格数据删除,即将加速度小于第一加速度阈值或者大于第二加速度阈值的数据进行删除,其中,第一加速度阈值为负加速度阈值,例如,可以设置为-0.1m/s2,第二加速度阈值为正加速度阈值,可以设置为0.1m/s2,将不合格数据删除之后,采用聚类算法对上述方法得到的数据进行聚类,得到m个聚类工况,其中,m可以根据实际需要进行设置,一般设置为13个或者15个,这些聚类工况组合得到稳态工况,进而求出各个工况的聚类中心,根据各类工况占比计算出各个工况的权重。
S240、对瞬态工况和稳态工况进行校验。
具体的,在完成瞬态工况和稳态工况构建的情况下,需要对瞬态工况和稳态工况进行校验,包括瞬态工况校验和稳态工况校验,用于确保通过上述方法得到的特征路谱数据和稳态特征点数据与实际路谱数据一致。
其中,对瞬态工况的校验包括:将实际转速扭矩工况分布与瞬态工况分布对比、将实际路谱参数与特征路谱参数进行对比,其中,实际路谱参数与特征路谱参数包括平均车速、转速、扭矩、挡位;计算各参数之间偏差,若偏差小于第一预设偏差阈值,则确定瞬态工况合格;对稳态工况的校验包括:基于特征点数据的权重数据对油耗进行加权处理得到油耗加权结果,分别与实际路谱平均百公里油耗、BSFC(Brake Specific Fuel Consumption,有效燃油消耗率)油耗结果计算偏差,若偏差满足第二预设偏差阈值,则确定稳态工况合格。
其中,实际转速扭矩工况分布具体可以理解为是通过对实际行驶数据进行工况概率分布计算分析得到的实际转速扭矩工况分布。瞬态工况分布对比具体可以理解为是在通过对特征路谱数据进行工况概率分布计算分析得到的特征路谱工况分布。
具体的,对于瞬态工况的分析,计算实际转速扭矩工况分布与特征路谱工况分布之间的偏差,以及计算根据实际路谱数据进行统计分析得到的平均车速、平均转速、平均扭矩、挡位分别与根据特征路谱数据进行统计分析得到的平均车速、平均转速、平均扭矩、挡位之间的偏差,如果上述得到的误差值小于第一预设偏差阈值,则可以判断当前得到的瞬态工况与实际路谱一致,是合格的瞬态工况,可以用于表征实际路谱的瞬态工况,并用于发动机标定。示例性的,第一预设偏差阈值可以设置为5%,此阈值可以根据对于瞬态工况的准确性要求进行设置,需要准确度高的瞬态工况,可以设置高偏差阈值,反之,可以设置低偏差阈值。
对于稳态工况的校验,通过依据特征点数据的权重数据对油耗进行加权处理得到油耗加权结果,将加权所得油耗结果分别与实际路谱平均百公里油耗、BSFC油耗结果计算偏差,若所得偏差满足第二预设偏差阈值,则可以判定稳态工况合格,第二预设偏差阈值可以根据实际需要自行设定,例如,可以将其设置为5%。
需要说明的是,若上述两种工况有任一工况不合格,则需要重新生成相应的工况。
S250、基于瞬态工况、稳态工况和待优化数据进行台架复现试验,生成试验数据。
其中,待优化的数据具体可以理解为是发动机的所有数据项,可以包含但不限于轨压、正时、尿素喷射控制和气路执行器控制数据等,可以由研究人员根据台架试验的需要预先进行设置。
具体的,在选定瞬态工况、稳态工况之后,将瞬态工况、稳态工况导入台架程控中,结合待优化数据进行台架试验平台设定,准备进行瞬态工况、稳态工况下的台架试验内容够,由台架平台生成试验数据并导出。需要说明的是,导出的与瞬态工况、稳态工况对应的特征路谱数据格式应与台架需求一致,确保根据实际车辆大数据处理得到的特征路谱数据能够快捷导入台架程控。
S260、基于试验数据进行数据检查,得到目标试验数据。
具体的,将台架试验所得的试验数据进行检查,对于错误的数据或者遗漏的数据进行补做,得到准确的试验数据。其中,数据检查内容包含但不限于发动机各气路温度、压力、水温、机油温度、排放情况等。进一步的,对试验数据进行标准化处理,统一数据名称和单位。
在本实施例中,对试验数据进行检查处理,检查发动机数据项,并对检查后的试验数据进行标准化处理,确保数据的通用性。
S270、基于目标试验数据进行数据优化分析处理。
其中,数据优化分析处理包括模型精度检查、数据优化、数据验证等步骤。
具体的,当发动机标定工作结束以后,对所得目标试验数据进行优化分析处理,分别进行模型精度检查、数据优化、数据验证处理。
可选的,对于模型精度检查,计算目标试验数据与特征路谱数据的偏差,基于偏差确定特征路谱数据的可信度。
具体的,将基于瞬态工况、稳态工况进行台架试验得到的试验结果与特征路谱导出结果进行对比,检查路谱总油耗及稳态工况的稳态特征点加权油耗结果与特征路谱导出的结果偏差是否小于预设偏差阈值,以确保特征路谱数据可信度,示例性的,预设偏差阈值可以设置为5%。若试验结果与特征路谱导出结果不满足小于预设偏差阈值,需要重新生成特征路谱和特征点。根据台架试验结果构建发动机仿真模型,基于瞬态工况、稳态工况进行发动机仿真模型的仿真试验,所得结果与目标试验结果进行比对,确保油耗、动力性结果与试验结果偏差小于预设偏差阈值。
可选的,对于数据优化,基于目标试验数据搭建发动机仿真模型,通过发动机仿真模型进行数据优化,得到优化数据。
具体的,通过仿真模型进行数据优化,优化工况包括瞬态工况及稳态工况点的总油耗、排放,仿真计算可以快速进行,在减少台架试验的情况下得到优化后数据;还可在发动机台架试验过程中,对包括但不仅限于热管理优化、DPF(Diesel Particulate Filter,柴油颗粒过滤器)再生优化等特定数据进行针对性优化,使标定数据处于最优状态;通过数据优化使发动机性能、油耗、排放、可靠性等参数处于综合最优状态,如此可导出该机型在目标场景下的优化数据,可使得在该场景下的车辆性能更佳。
可选的,对于数据验证,基于优化数据进行整车测试,验证优化数据的可靠性。
具体的,得到优化数据后,在实车上进行测试,跟踪记录其性能表现,验证优化后数据的可靠性,首先在内部试验车上测试,1周内数据基本正常后在10辆以上用户车上进行深入测试,试验进行一个月后测试结果正常,实际结果有改善则可投入使用。
本实施例的技术方案,通过对车辆的实际行驶数据进行场景划分,获取不同场景的行驶数据,再确定构建不同场景的瞬态工况和稳态工况,基于上述工况完成对发动机标定的功能和对优化数据进行校验的功能,使得得到的瞬态工况和稳态工况与实际路谱数据一致,可以准确地表征车辆的实际路谱数据并用于台架试验,实现发动机标定,解决了无法针对性地对发动机进行标定的问题,避免了对所有的行驶数据进行处理后完成对发动机的标定工作,可以实现高效、精准的发动机数据标定,减少数据标定周期,提高了对发动机标定的效率,提高了对发动机标定的效率。
实施例三
图3是本发明实施例三提供的一种发动机标定装置的结构示意图。如图3所示,该装置包括:
数据获取模块310,用于采集车辆的行驶数据,对行驶数据进行场景划分,得到多个场景分别对应的行驶数据;
工况构建模块320,用于对于目标场景的行驶数据,基于目标场景的行驶数据确定构建目标场景下的瞬态工况和稳态工况;
发动机标定模块330,用于基于瞬态工况和稳态工况对发动机进行标定。
可选的,数据获取模块310,具体用于:
根据车辆的行驶数据确定车辆在行驶过程中的档位、载重和坡度;基于车辆的车型以及车辆在行驶过程中的档位、载重和坡度和每一场景的划分范围,确定行驶数据对应的场景。
可选的,工况构建模块320,具体用于:
剔除行驶数据中的无效数据,其中,无效数据包括超出各类型行驶数据的取值范围的数据,位于数据范围边缘的预设比例的数据。
基于目标场景的行驶数据确定构建目标场景下的瞬态工况和稳态工况,包括:
提取目标场景的行驶数据的特征路谱数据,特征路谱数据形成瞬态工况;
剔除目标场景的行驶数据中的不合格数据,提取稳态特征点数据,对稳态特征点数据进行聚类处理,得到聚类结果,基于聚类结果形成稳态工况;其中,不合格数据包括扭矩负值点数据、不满足加速度阈值的数据。
可选的,工况构建模块320,还用于在基于目标场景的行驶数据确定构建目标场景下的瞬态工况和稳态工况之后,对瞬态工况和稳态工况进行校验,其中,对瞬态工况的校验,实际转速扭矩工况分布与瞬态工况分布对比、将实际路谱参数与特征路谱参数进行对比,其中,实际路谱参数与特征路谱参数包括:平均车速、转速、扭矩、挡位;计算各参数之间偏差,若偏差小于第一预设偏差阈值,则确定瞬态工况合格;
对稳态工况的校验,基于特征点数据的权重数据对油耗进行加权处理得到油耗加权结果,分别与实际路谱平均百公里油耗、BSFC油耗结果计算偏差,若偏差满足第二预设偏差阈值,则确定稳态工况合格。
可选的,发动机标定模块330,具体用于:
基于瞬态工况、稳态工况和待优化数据进行台架复现试验,生成试验数据;
基于试验数据进行数据检查,得到目标试验数据;
基于目标试验数据进行数据优化分析处理。
计算目标试验数据与特征路谱数据的偏差,基于偏差确定特征路谱数据的可信度;
基于目标试验数据搭建发动机仿真模型,通过发动机仿真模型进行数据优化,得到优化数据;
基于优化数据进行整车测试,验证优化数据的可靠性。
本发明实施例所提供的发动机标定装置可执行本发明任意实施例所提供的发动机标定方法,具备执行方法相应的功能模块和有益效果。
实施例四
图4是本发明实施例四提供的一种电子设备的结构示意图。电子设备10旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图4所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理,例如发动机标定方法。
在一些实施例中,发动机标定方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM13并由处理器11执行时,可以执行上文描述的发动机标定方法的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行发动机标定方法。
本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的发动机标定方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
实施例五
本发明实施例五还提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机指令,计算机指令用于使处理器执行一种发动机标定方法,该方法包括:
采集车辆的行驶数据,对行驶数据进行场景划分,得到多个场景分别对应的行驶数据;
对于目标场景的行驶数据,基于目标场景的行驶数据确定构建目标场景下的瞬态工况和稳态工况;
基于瞬态工况和稳态工况对发动机进行标定。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的***和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如,作为数据服务器)、或者包括中间件部件的计算***(例如,应用服务器)、或者包括前端部件的计算***(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将***的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种发动机标定方法,其特征在于,包括:
采集车辆的行驶数据,对所述行驶数据进行场景划分,得到多个场景分别对应的行驶数据;
对于目标场景的行驶数据,基于所述目标场景的行驶数据确定构建所述目标场景下的瞬态工况和稳态工况;
基于所述瞬态工况和所述稳态工况对发动机进行标定。
2.根据权利要求1所述的方法,其特征在于,所述对所述行驶数据进行场景划分,包括:
根据所述车辆的行驶数据确定所述车辆在行驶过程中的档位、载重和坡度;
基于所述车辆的车型以及所述车辆在行驶过程中的档位、载重和坡度和每一场景的划分范围,确定所述行驶数据对应的场景。
3.根据权利要求1所述的方法,其特征在于,在基于所述目标场景的行驶数据确定构建所述目标场景下的瞬态工况和稳态工况之前,还包括:
剔除所述行驶数据中的无效数据,其中,所述无效数据包括超出各类型行驶数据的取值范围的数据,位于数据范围边缘的预设比例的数据。
4.根据权利要求1所述的方法,其特征在于,所述基于所述目标场景的行驶数据确定构建所述目标场景下的瞬态工况和稳态工况,包括:
提取所述目标场景的行驶数据的特征路谱数据,所述特征路谱数据形成所述瞬态工况;
剔除所述目标场景的行驶数据中的不合格数据,提取稳态特征点数据,对所述稳态特征点数据进行聚类处理,得到聚类结果,基于所述聚类结果形成所述稳态工况;其中,所述不合格数据包括扭矩负值点数据、不符合加速度阈值的数据。
5.根据权利要求1所述的方法,其特征在于,在所述基于所述目标场景的行驶数据确定构建所述目标场景下的瞬态工况和稳态工况之后,还包括:
对所述瞬态工况和所述稳态工况进行校验,其中,
对所述瞬态工况的校验包括:将实际转速扭矩工况分布与瞬态工况分布对比、将实际路谱参数与特征路谱参数进行对比,其中,所述实际路谱参数与所述特征路谱参数包括:平均车速、转速、扭矩、挡位;计算各所述参数之间偏差,若所述偏差小于第一预设偏差阈值,则确定所述瞬态工况合格;
对所述稳态工况的校验包括:基于所述特征点数据的权重数据对油耗进行加权处理得到油耗加权结果,分别与实际路谱平均百公里油耗、BSFC油耗结果计算偏差,若所述偏差满足第二预设偏差阈值,则确定所述稳态工况合格。
6.根据权利要求1所述的方法,其特征在于,所述基于所述瞬态工况和所述稳态工况对发动机进行标定,包括:
基于所述瞬态工况、所述稳态工况和待优化数据进行台架复现试验,生成试验数据;
基于所述试验数据进行数据检查,得到目标试验数据;
基于所述目标试验数据进行数据优化分析处理。
7.根据权利要求6所述的方法,其特征在于,所述基于所述目标试验数据进行数据优化分析处理,包括:
计算所述目标试验数据与所述特征路谱数据的偏差,基于所述偏差确定所述特征路谱数据的可信度;
基于所述目标试验数据搭建发动机仿真模型,通过所述发动机仿真模型进行数据优化,得到优化数据;
基于所述优化数据进行整车测试,验证所述优化数据的可靠性。
8.一种发动机标定装置,其特征在于,包括:
数据获取模块,用于采集车辆的行驶数据,对所述行驶数据进行场景划分,得到多个场景分别对应的行驶数据;
工况构建模块,用于对于目标场景的行驶数据,基于所述目标场景的行驶数据确定构建所述目标场景下的瞬态工况和稳态工况;
发动机标定模块,用于基于所述瞬态工况和所述稳态工况对发动机进行标定。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7中任一项所述的发动机标定方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的发动机标定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311131652.4A CN117147166A (zh) | 2023-09-04 | 2023-09-04 | 一种发动机标定方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311131652.4A CN117147166A (zh) | 2023-09-04 | 2023-09-04 | 一种发动机标定方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117147166A true CN117147166A (zh) | 2023-12-01 |
Family
ID=88902243
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311131652.4A Pending CN117147166A (zh) | 2023-09-04 | 2023-09-04 | 一种发动机标定方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117147166A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117875094A (zh) * | 2024-03-13 | 2024-04-12 | 西安航天动力研究所 | 一种发动机仿真模型的精度评估方法、装置以及电子设备 |
-
2023
- 2023-09-04 CN CN202311131652.4A patent/CN117147166A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117875094A (zh) * | 2024-03-13 | 2024-04-12 | 西安航天动力研究所 | 一种发动机仿真模型的精度评估方法、装置以及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107037370A (zh) | 基于监控数据的电动汽车剩余电量计算方法 | |
CN109508826B (zh) | 基于梯度提升决策树的电动汽车集群可调度容量预测方法 | |
CN117147166A (zh) | 一种发动机标定方法、装置、电子设备及存储介质 | |
CN116381514B (zh) | 一种电芯压差预警方法、装置、存储介质及设备 | |
CN113688558B (zh) | 一种基于大数据库样本的汽车行驶工况构建方法及*** | |
WO2020108219A1 (zh) | 基于交通安全风险的群体划分与差异性分析方法及*** | |
CN113205225A (zh) | 一种碳排放达峰的关键因子识别方法、***及数据平台 | |
CN114662954A (zh) | 车辆性能评估*** | |
CN115221218A (zh) | 车辆数据的质量评估方法、装置、计算机设备和存储介质 | |
CN112215398A (zh) | 电力用户负荷预测模型建立方法、装置、设备及存储介质 | |
CN115097312A (zh) | 一种结合数据驱动模型和经验模型的锂离子电池融合寿命预测模型 | |
CN113806343B (zh) | 一种车联网数据质量的评估方法和*** | |
CN117035563B (zh) | 产品质量安全风险监测方法、设备、监测***及介质 | |
CN117057190A (zh) | 一种轨道车辆制动盘温升预测方法 | |
CN114060132B (zh) | 一种基于排放远程监控的NOx传感器作弊甄别方法 | |
CN111488496B (zh) | 一种基于滑动窗口的Tango树构建方法及*** | |
CN115128468A (zh) | 一种化学储能电池phm欠压故障预测方法 | |
Lian et al. | Research on adaptive control strategy optimization of hybrid electric vehicle | |
CN113405743A (zh) | 一种基于云计算的新能源电动汽车生产制造测试数据分析处理方法、***及存储介质 | |
CN112859805A (zh) | 一种发动机控制器在线诊断方法及相关装置 | |
CN114969962B (zh) | 车辆rde排放恶劣工况的生成方法、装置、设备及存储介质 | |
CN117172138B (zh) | 一种基于深度学习的城市交通碳排放预测方法及装置 | |
CN114013285B (zh) | 一种电动汽车实际续驶里程评估方法 | |
CN115059533B (zh) | 发动机原始碳烟排放确定方法、装置、设备及介质 | |
CN114626234B (zh) | 一种装备数字孪生组合模型可信度评估方法及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |